![Predicting Sustainable Development Goals (SDG) Scores by 2030: A Machine Learning Approach with ARIMAX and Linear Regression Models]( https://i.aidevmd.com/wp-content/uploads/2024/07/Screenshot-2024-07-24-at-12.42.32-PM.png)
“`html
Прогнозирование показателей Целей устойчивого развития (ЦУР) к 2030 году:
Цели устойчивого развития (ЦУР), установленные Организацией Объединенных Наций, направлены на искоренение бедности, защиту окружающей среды, борьбу с изменением климата и обеспечение мира и процветания к 2030 году. Эти 17 целей решают глобальные проблемы здравоохранения, образования, неравенства, деградации окружающей среды и изменения климата. Несмотря на обширные исследования отслеживания прогресса к достижению этих целей, необходимо продолжить работу по прогнозированию показателей ЦУР. Настоящее исследование направлено на прогнозирование показателей ЦУР для различных глобальных регионов к 2030 году с использованием моделей ARIMAX и линейной регрессии (LR), сглаженных мультипликативной техникой Холта-Уинтерса. Предполагались предикторы, которые в будущем, вероятно, будут подвержены влиянию искусственного интеллекта (ИИ), чтобы улучшить производительность модели. Прогнозируемые результаты показывают, что страны ОЭСР и Восточная Европа и Центральная Азия ожидаются достичь наивысших показателей ЦУР. В то же время Латинская Америка и Карибы, Восточная и Южная Азия, Ближний Восток и Северная Африка, а также Субсахарская Африка продемонстрируют более низкие уровни достижений.
Устойчивое развитие подчеркивает достижение межпоколенческой справедливости и оптимизацию потребления ресурсов для удовлетворения будущих потребностей. С 1987 года, после определения Комиссией Брундтланд, стало ясно, что только экономический рост не может гарантировать устойчивость из-за истощения природных ресурсов. Устойчивое развитие требует баланса между экологической, финансовой и социальной устойчивостью. После того как 193 государства-члена ООН приняли ЦУР в 2015 году, возник международный консенсус по решению глобальных проблем. Внедрение интеллектуальных технологий, в частности, искусственного интеллекта, имеет потенциал ускорить выполнение ЦУР. ИИ может значительно повлиять на различные ЦУР, включая здравоохранение, образование и борьбу с изменением климата. Однако для уменьшения потенциальных нежелательных эффектов, таких как нарушения конфиденциальности, проблемы кибербезопасности и социальные предубеждения, необходимо управлять стандартами регулирования и международными руководящими принципами. Находки данного исследования подчеркивают важность выявления приоритетных областей для действий и формулирования целевых политик для улучшения показателей ЦУР во всем мире.
Материалы и методы:
Данное исследование разрабатывает модели прогнозирования с использованием предикторов, выявленных в результате обзора литературы об влиянии ИИ на ЦУР. Систематические поиски в Scopus с использованием определенных ключевых слов дали 33 относящихся к теме статьи с 1994 по 2023 год. Выбор предикторов осуществлялся с использованием фильтрующих техник, а окончательные предикторы были выбраны из ЦУР, связанных со здравоохранением, образованием, чистой энергией и борьбой с изменением климата. Прогностические модели, включая ARIMAX и LR с сглаживанием Холта-Уинтерса, были построены с использованием Python в Google Colab. Модель ARIMAX обрабатывает нестационарные данные, в то время как LR с сглаживанием Холта-Уинтерса повышает точность. Использовались данные отчета о устойчивом развитии 2023 года, с фокусом на региональных группировках для минимизации проблем с отсутствием данных.
Анализ моделей ARIMAX и LR для показателей ЦУР:
Модели ARIMAX и LR прогнозируют показатели ЦУР для шести регионов с 2022 по 2030 год. Модель ARIMAX в целом обеспечивает более точные прогнозы, особенно для “стран ОЭСР”, которые показывают самую высокую точность и наименьшие пределы ошибки. В то же время “Субсахарская Африка” имеет самые низкие показатели и наибольшую изменчивость. Обе модели прогнозируют похожие тенденции, с “странами ОЭСР” показывающими наибольший рост и “Субсахарской Африкой” – наименьший. Со временем регионы, такие как “Латинская Америка и Карибы” и “Восточная и Южная Азия”, показывают умеренное улучшение, в то время как “Восточная Европа и Центральная Азия” проявляют стабильный рост.
Обсуждение:
Прогнозирование показателей ЦУР с использованием моделей ARIMAX и сглаживания линейной регрессии показывает нюансированную картину глобального прогресса. Роль ИИ в улучшении ЦУР двуедка: с одной стороны, он способствует снижению энергопотребления, контролю за окружающей средой и улучшению здоровья, а с другой стороны, представляет риски, такие как нарушения конфиденциальности, увеличение неравенства и технологическая безработица. Прогнозируемые показатели ЦУР к 2030 году показывают разнообразный региональный прогресс, с лидирующими ОЭСР странами, за которыми следуют Восточная Европа, Азия и Латинская Америка. Субсахарская Африка сталкивается с серьезными проблемами, но показывает потенциал для улучшения с помощью ИИ. Политики должны использовать ИИ для поддержки регионов, отстающих в достижении ЦУР, а также рассматривать социально-экономические и политические факторы, влияющие на развитие.
Заключение:
Данное исследование использует модели машинного обучения для прогнозирования показателей ЦУР для глобальных регионов до 2030 года, указывая на общий восходящий тренд. Регионы, такие как страны ОЭСР, Восточная Европа и Центральная Азия, Латинская Америка и Карибы ожидаются лидировать с более высокими показателями. В то же время Восточная и Южная Азия, Ближний Восток и Северная Африка улучшатся, но останутся на уровне ниже. Крепкие политические, культурные и социально-экономические структуры соотносятся с более высокими показателями ЦУР. Ограничения включают неопределенность прогнозов и развивающееся влияние ИИ. Будущие исследования должны исследовать экономические, социальные и экологические предикторы, усовершенствовать прогностические модели и оценивать влияние изменений политики на результаты ЦУР.
“`